新北市學車交流論壇

標題: DriveGPT:毫末将「生成式預訓練大模型」用于自動駕驶 [打印本頁]

作者: admin 時間: 2024-4-24 18:16
標題: DriveGPT:毫末将「生成式預訓練大模型」用于自動駕驶
以“文字接龙”為数學道理的天生式说话模子并不是新颖事物，OpenAI在2018-2020年開辟出的GPT、GPT-二、GPT-3均属此類，還衍生出了CodeGPT（2021年7月）、WebGPT（2021年12月）和DALL-E（2021年5月）等下流利用。

ChatGPT是基于GPT-3開辟的對话式AI利用，因這人們将其暗地里的模子称為GPT-3.5。而在本年3月14日，GPT-4也已面世。

作為ChatGPT的根本模子，GPT-3一样可以天生文本，但它在對话中的表示其實不好。OpenAI首席科學家Ilya Sutskever暗示，從GPT-3到ChatGPT，微和谐RLHF的進程起到了关頭感化。

根本模子GPT-3是預練習（無监视式進修）的成果，預練習阶段的特色是大模子+海量数据——GPT-3的模子参数到达1750亿個，用于預練習的数据范围达570GB。

奇异的是，比拟預練習，ChatGPT在微调阶段利用的人工標注数据其實不多（约莫仅需数万条带有標注的谜底）。

這是由于，颠末預練習，GPT-3自己已具有了天生海量文本内容的能力，只因缺少人類知識，不晓得哪些天生的内容是人類想要的。經由過程用人工標注的谜底举行“微调”，模子會调高那些最合适人類爱好的谜底的概率，從而输出更靠近人類的答复。

在RLHF阶段，OpenAI用来自人類的反馈練習出一個嘉奖函数（這里無需人打出详细的分值，只需给出“好”或“欠好”的反馈），再用這個嘉奖函数建立出對模子举行强化進修所用的数据。經强化進修以後的ChatGPT，結果好得出奇，乃至超越了OpenAI团队本身的預期。

固然從数學道理上看，ChatGPT與GPT-3并無本色的分歧，但适用結果上，ChatGPT天生的對话内容简直具有了极高的拟人道，乃至看上去已具有了雷同人類推理的能力（虽然，包含一些AI專家在内的人群對此其實不認同）。

讓咱們暂且撇下“ChatGPT是不是具有了低级的智滿點吐息,能”這一問题——最少從結果上看，OpenAI對ChatGPT的開辟，證了然經由過程「大模子預練習-微调-RLHF」這条线路，是可以或许打造出像人類同样措辞的AI呆板人的。

毫末認為，按照统一思绪打造的DriveGPT，也可以或许像人類同样開車。

详细的做法是，毫末起首将GPT的思绪用于主動駕驶的“認知”环節，即對場景和方针轨迹的展望，從而支撑駕驶决议计劃和路径计劃。

與ChatGPT不竭求解下一個token（在中文语境里，token=汉字）的几率雷同，DriveGPT也是在不竭求解下一個token的几率——這里的token，由文字换成為了駕驶場景中的一個構成部門。

ChatGPT的输入是未写完的句子，DriveGPT的输入是某個場景下前序几秒内的駕驶情况。

ChatGPT的输出是续写完成的句子，DriveGPT的输出是该場景下後序几秒内的駕驶情况。

DriveGPT将连续串的token拼接在一块兒，就组成為了完备的駕驶場景時候序列，包含在序列中任何一個時刻，四周交通情况的状况、其他交通介入者的状况和自車的状况。

分歧几率的token引向分歧場景序列，至关于很多個可能在将来呈现的平行宇宙。

在這些平行宇宙中，由于每一個环節都有响應的几率散布，就可以显性地计较出自車的每個駕驶举動，從几率的角度来讲，在平安、恬静、高效等维度别离表示若何。

在详细的算法設計层面，毫末将駕驶場景的token化表达称為Drive Language，對全部BEV空間做網格局的离散化，再用Drive Language来描写每一個網格里的环境。如斯一来，每一個token中分歧词表的组合，就對應了分歧停滞物、車道线、門路布局的散布。

截至今朝，毫末從真實駕驶場景库中提取的token序列，范围到达50万個。

有了這些token，毫末用人類駕驶的数据對模子举行預練習。颠末預練習後，模子便可以按照输入的前序token，主動天生後序所有可能的token。

颠末用這两種来历的人類反馈举行强化進修，對預練習中获得的無数個“平行宇宙”举行收敛，再用一個反馈模子對這些to廚房清潔用品,ken举行排序打分，中正通水管,把反馈模子認為宜的成果排上来、差的成果排下去，最後把参数更新到一個备份模子（Active Model）中。

與ChatGPT類似地，颠末RLHF，DriveGPT天生的結果也呈现了较着的晋升。

若是将毫末的方案與特斯拉的决议计劃计劃模子“交互搜刮”（Interaction Search）做比拟，分歧點在于，特斯拉交互搜刮分為三個步调：树搜刮、神經收集轨迹计劃和轨迹打分，而毫末DriveGPT则是用天生式法子，将展望、计劃两個動作合而為一。

先猜、再應答的法子，雷同于下棋時的博弈；而同時展望全部情况變革的法子，则是等量齐觀地将自車看做場景中的一個介入者，同時展望所有介入者的轨迹。

這是一個十分有趣且潜力庞大的法子。毫末暗示，在實测中，DriveGPT的决议计劃计劃在對Hardcase的處置上晋升了48%。

固然，DriveGPT并不是只是针對認知环節的解决方案，其终极方针是把感知、認知、决议计劃、计劃等环節都纳入進来，構成端到端式的主動駕驶大模子。关于這一點，本文将在第降血糖藥品，三部門進一步會商。

2、DriveGPT的“周邊工程”筹备

曩昔数月，為支持DriveGPT的搭建，毫末還在视觉感知、大模子練習等方面做了不少事情。

感知是一切駕驶動作的根据。對當前重要卖力認知环節的DriveGPT而言，毫末MANA视觉的感知成果，决议了输入真個数据質量。

毫末智行CEO顾维灏先容称，MANA视觉感知體系在曩昔三個月里重要完成為了4個方面的晋升：

1.同時辨認纹理和布局

毫末認為，所有的感知使命，不管是檢测停滞物仍是車道线，现實上存眷的都是两件事變：要末存眷三维布局，要末存眷每種材質的纹理散布。

經由過程對视觉自@监%2jiDp%视大模%d4tRs%子@举行扩大，毫末把展望情况的三维布局、速率場和纹理散布交融到了一個練習方针内里。

今朝，毫末已在這個大模子中注意灌输了400万個Clips的数据——每一個Clip為100個bundle，每一個bundle则包含6-10张图象不等，是以至关于数十亿帧的数据范围。

優化後的模子在車端感知使命上，機能晋升了约莫20%。

2.用纯视觉代替超声波雷达

顾维灏暗示，单目视觉丈量是最難的视觉使命之一，出格是近間隔视觉丈量。凡是利用的鱼眼相機，因畸變紧张和遮挡、截断等身分，對間隔果断的難度很大。

為解决這一問题，毫末将鱼眼相機引入到视觉BEV框架中，并在BEV空間里對停滞物的轮廓鸿沟举行辨認和丈量。

今朝，毫末利用鱼眼可做到在15米范畴内丈量精度30cm、2米范畴内精度10cm——如许的精度可支撑毫末在行泊一體方案頂用视觉代替超声波雷达，低落总體方案的本钱。

3.經由過程NeRF三维重修完成主動標注

在用NeRF技能做四周情况的三维重修方面，毫末起首晋升了NeRF终极合成的結果，不但能正确地重修三维布局，還能以很高的精度規复路面的纹理。如许做的益處是，可以或许更正确地领會全部場景、把握此中所有的真值，從而就可以按照必要做各類各样的標注。

毫末将（不依靠激光雷达的）视觉感知成果轉化為可用于BEV模子練習的带有3D標注的真值数据，場景重修的偏差小于10cm，同時還能對場景中的動态物體做出肉眼難辨的重修和衬着。

针對单趟重修因遮挡、截断等酿成的数据不足，毫末通過量趟重修将更多觀测视角的数据對齐、交融在一块兒，可進一步晋升場景還原度，重修效力晋升5倍。

4.在三维重修（静态）中参加動态停滞物编纂，摹拟更多Corner Case

在完成静态情况重修的場景中，毫末在上一届AI DAY上展现了點窜光照、气候等全局性信息的能力，這次又增长了分外添加虚拟物體的能力。

比方在空阔的街道上参加無人配送車“小魔驼”，并讓其做出想要的動作，從而用更低本钱仿真出各類各样的Corner Case。

以上提到的NeRF重修、摄像頭取代超声波，和用高真實度的仿真缔造Corner Case，對主動駕驶從業者都不目生——它們與特斯拉采纳的技能很是類似。

在算力和模子的練習方面，毫末重要先容了3個方面的希望：

1.練習不乱性優化：練習数月0妨碍

大模子的練習很是繁杂。

毫末DriveGPT参数目到达1200亿，而且還規劃测驗考试参数目更大的模子。練習如斯范围的模子，凡是必要几百、上千卡，練習几個月的時候。

大范围練習的工程不乱性問题相當首要，當練習進程中產生一些颠簸，一旦造成全部體系解體，就會挥霍前期投入的大量資本。

毫末經由過程與火山引擎互助，针對@异%k7J7T%样大范%8R4no%围@模子的練習，做了不少硬件异样的處置和捕捉，增长了包含Monitor&Alert、Tracer&Log、Profile&Checkpoint的練習保障框架。

如斯一来，當集群中的某些卡、某些路由器呈现异样時，可以或许在分钟级内举行捕捉、旁路、维修，從而不會引發全部體系的停摆。

毫末暗示，當前可以做到千卡使命持续練習数月，不呈现任何非正常間断。

2.練習資本的弹性调剂

在大模子練習中，数据的范围和質量直接决议練習的成效。為了最大限度地從量產車真實数据中收集语料，毫末采纳基于量產数据及時回傳的增量進修方法。

因為分歧時段回傳的数据量差别很大，必要解决對算力資本的弹性调剂，和全部数据流的流轉問题。

比方，當回傳数据量大、練習所用的卡数變多時，就會挤占其他使命所用的算力；而當没有及時数据回傳時，必要把這些算力開释出来，包管操纵率。

顾维灏先容称，毫末的集群计较資本操纵率到达95%。

3.底层算子優化

因為计较量庞大且仍在不竭增长，為應答昂扬的算力本钱，晋升计较效力是一项延续展開的使命。

在Transformer的大矩阵计较上，毫末經由過程對表里轮回的数据拆分，尽可能连結数据在SRAM中從而晋升计较效力。

在傳统練習框架中，比方PyTorch，算子流程很长，包含Attention、LayerNorm、Dropout、Softmax等多個环節，而毫末經由過程引入火山引擎供给的Logo焦點算子库，端到真個吞吐晋升了84.2%。

本年年頭，毫末颁布了其與火山配合打造的MANA OASIS智算中間，算力到达67亿亿次/秒，存储带宽2T/秒，通讯带宽800G/秒。

固然计较硬件處于海内领先程度，但跟着数据范围、集群范围、練習時候的数目级增加，计较本钱還是毫末在将来很长時候里必要面临的挑战。

在算法、数据、集群工程等各個层面频频優化，不竭晋升練習效力，是每一個主動駕驶公司的必修课。

3、天生式模子可能带来的超過

毫末提出，ChatGPT的终极方针是端到端大模子，這象征着要将方针檢测跟踪、舆图拓扑、轨迹展望、可行驶區域展望、决议计劃计劃等主動駕驶中的分歧使命，都纳入到统一個深度神經收集框架中。

深度神經收集正在向愈来愈多的主動駕驶模块浸透，出格是感知和展望部門，极可能會起首100%更换為深度神經收集。

在規控部門，则更多采纳報酬法则。

端到端是一個很是诱人的觀點，也是不少實践者尽力的標的目的。但在當下，端到端主動駕驶大模子依然逗留在论文阶段。

人們對端到真個可行性的質疑，一大来由是神經收集的不成诠释性。

不久前的3月31日，小鹏汽車主動駕驶副总裁吴新宙就暗示，小鹏智能駕驶的展望模块會以深度進修為根本，可是基于法则的活動计劃、活動節制，必定會持久存在，由于可诠释性是很是首要的。對付能用数學解决的問题，小鹏临時不會用深度進修收集去解决。

关于駕驶计谋的可诠释性問题，毫末也一向在思虑和摸索。

從2022年9月初度提出“主動駕驶3.0”這一觀點時，毫末就提出在数据驱動的3.0期間，主動駕驶的認知標的目的，應是經由過程大量人駕数据，抽取可诠释的場景化駕驶知識。

基于這一概念，毫末初期先是設計了主動駕驶場景库，此中采集了几十万個细分場景，每個都是用天然说话描写的，失眠治療噴霧,可理解、可诠释。

基于此，毫末對一段段朋分開的駕驶数据做標注，標明這段駕驶進程属于哪一類場景。

到了做大模子研發的阶段，毫末的团队發明，若是把连续串的場景串起来，實在就组成為了一個完备的可诠释的决议计劃進程。

受ChatGPT的開导，毫末發明可以操纵天生式模子自己在文本天生方面的能力，输出决议计劃逻辑链（CoT，Chain of Thoughts），從而用主動天生的天然说话来诠释駕驶决议计劃。

在CoT的天生進程中，毫末操纵一样與ChatGPT類似的提醒词（Prompt）技能，在输入端给模子一些提醒，诸如“我要去……”、“快一點”、“慢一點”，帮忙模子進修分歧場景的推理瓜葛，使其朝着人指望的標的目的天生“平行宇宙”。

在天生成果的同時，模子也生成為了與之對應的CoT——在產物端，将来毫末還可将這些CoT與車機语音體系连系，按照用户的爱好，供给“駕驶决议计劃语音诠释”的功效。

毫末用天生式模子解决主動駕驶問题的思绪，或将為業界開启庞大的想象空間——关于這一點，也可從OpenAI首席技能官Ilya Sutskever的概念里找到眉目。

本年3月，Sutskever在接管Lunar Society访谈時说道：

“我對‘下一個對token的展望不克不及超出人類表示’的说法提出質疑。從概况来看，若是你只是學會了仿照，展望人類會做甚麼，彷佛象征着你只能复制人類。但我有一個辩驳的论點来阐明為甚麼不是如许——若是你的根本神經收集足够聪慧，你只必要問它：一個具备伟大洞察力、具有伶俐和能力的人會做甚麼？或许如许的人其實不存在，但神經收集颇有可能會揣度出如许的人具备哪些特性、若何举措。”

概况上看，天生式模子只是在進修文本中的统计相干性，但现實上經由過程统计相干性，它是在對常識举行极致的紧缩，從而創建一個世界模子。

完成駕驶使命，不恰是“創建一個世界模子，并在此中平安、高效地行驶”嗎？

無独占偶，4月9日，特斯拉CEO伊隆·马斯克在推特上暗示，在處置视觉感知上，Diffusion（一種天生式模子，經由過程文字提醒天生图象）要比Transformer的计较效力更高。

在主動駕驶感知技能逐步趋同的布景下，在認知、计劃等模块另有很大的摸索空間，頭部玩家們更具多样性的摸索，将會促成技能更快前進。

竣事语

2023年，中國的主動駕驶比赛進入深水區。

頭部玩家們一頭扎進“難度百倍于高速場景”的城區，在產物层面研發可用、好用的都會NOA的同時，也在将技能研讨的触角伸向更深、更廣的范畴。

毫末基于GPT技能的摸索，不但将為其都會NOH的體驗晋升供给助益，還可能衍生出辦事于業界的能力和新的贸易模式——毫末暗示，将逐步向業界開放DriveGPT的能力，此中首期4月11日马上開放单帧主動標注辦事，可大幅低落標注本钱，此後還将陸续開放駕驶举動驗證、坚苦場景脱困等功效。

基于来自技能的自傲，毫末重申了2024年的方针：都會NOH落地100城。

建约車评只做有價值的汽車科技報导

歡迎光臨新北市學車交流論壇 (https://bbs.hair999.com.tw/)